PDF 추출 및 가공 라이브러리 PyMuPDF가 출시 10주년, 그리고 다운로드 10억회를 돌파했습니다. 이 10억 회 중 83%는 지난 12개월 사이에 집중적으로 발생했습니다.
PyMuPDF를 개발하는 기업 Artifex(이파피루스의 자회사) 소속의 메인 개발자 Harald Lieder가 10주년 맞아 개발 히스토리를 정리한 글을 번역해서 공유 드려요.
시작이 좀 재밌습니다. 원래 PDF 내부 구조도, 파이썬도, C도 전혀 모르던 사람이었습니다. 구독하던 과학 잡지가 매달 PDF로 오는데 목차가 제대로 안 잡혀 있어서 답답해하다가, MuPDF를 SWIG로 바인딩한 작은 파이썬 라이브러리(fitz-python)를 발견했고, 그게 시작이었습니다. 그렇게 취미로 시작한 프로젝트가 2016년 8월 PyPI에 처음 올라갔습니다.
이후 10년간 총 113회 릴리스를 거치며 이런 흐름을 겪었습니다.
- 2021년 1월, 누적 다운로드 200만 돌파
- 2021년 가을, MuPDF의 OCR 기능 통합
- 2021년 2월 Artifex와 공식 파트너십, 2022년 5월 Artifex가 인수. 이때부터 저자도 Artifex 메인테이너로 합류했습니다.
- 2023년 8월, 표(table) 인식 모듈 추가. 두 달 만에 다운로드가 300만 → 700만으로 뛰었습니다.
- 2024년 4월, LLM/RAG용으로 만든 PyMuPDF4LLM 출시. 지금까지 누적 1억 6천만 다운로드입니다.
- PyPI 누적 다운로드 10억 회 돌파. 이 중 83%가 최근 1년 사이에 몰렸는데, AI가 문서를 읽어야 하는 수요가 늘어난 영향이라고 볼 수 있습니다.
뒷부분엔 앞으로 방향도 세 가지로 정리돼 있는데, RAG 쪽엔 이쪽이 더 흥미로울 수 있습니다.
- document perception — 문서를 한 번 파싱하고 저장해두는 게 아니라, 같은 문서를 다른 질문으로 계속 다시 들여다볼 수 있어야 한다는 방향입니다.
- verifiable evidence objects — LLM이 문서에 질의할 때 답변에 근거(evidence)와 신뢰도 점수를 같이 보여줄 수 있게 하는 방향입니다.
- document agents — 계약서 자동 분류, 핵심 조항 추출, 기밀정보 마스킹처럼 여러 단계를 이어가는 에이전트 워크플로를 결정론적 연산으로 뒷받침하는 방향입니다.
번역: 10년의 기록, 10억 회의 다운로드: PyMuPDF 기술 연대기
원문: Ten Years, One Billion Downloads: A Technical History of PyMuPDF